车辆变道的确定方法、装置、存储介质和电子设备制造方法及图纸

本公开涉及一种车辆变道的确定方法、装置、存储介质和电子设备，该方法应用于第一车辆，包括：获取轨迹数据集和相对运动数据集，将轨迹数据集分别输入预先训练的轨迹识别模型和预先训练的轨迹聚类模型，以根据轨迹识别模型输出的轨迹识别结果，和轨迹聚类模型输出的轨迹聚类结果，确定轨迹变道概率，将相对运动数据集分别输入预先训练的相对运动识别模型和预先训练的相对运动聚类模型，以根据相对运动识别模型输出的相对运动识别结果，和相对运动聚类模型输出的相对运动聚类结果，确定相对运动变道概率，根据轨迹变道概率和相对运动变道概率，确定第二车辆的变道概率，根据变道概率和预设的变道阈值，确定第二车辆是否将要变道。

【技术实现步骤摘要】
车辆变道的确定方法、装置、存储介质和电子设备
本公开涉及车辆控制
，具体地，涉及一种车辆变道的确定方法、装置、存储介质和电子设备。
技术介绍
随着汽车的保有量不断增多，车辆的行驶安全越来越受到人们的重视。目前，由于驾驶员没能及时发现前方车辆变道，而引起的交通事故越发频繁，严重影响了驾驶员、行人的生命财产安全。因此，要保证车辆的安全行驶，需要准确判断前方车辆是否会变道。通常情况下，车辆变道的判断方式可以分为两种，一种是通过前方车辆的前进方向和车道线方向的曲率来判断前方车辆是否会变道，该种判断方式容易受到驾驶员误操作、车辆运动状态的瞬时变化等影响，判断的准确度不稳定。另一种是基于马尔可夫模型，根据前方车辆内部的操作数据(例如：前方车辆的方向盘转角、转向灯状态、离合制动状态、驾驶员状态等)，来对前方车辆是否会变道进行判断，对于本车来说，很难准确获取到前方车辆内部的操作数据，导致该种判断方式的准确度不高，并且，由于马尔可夫模型依赖于齐次马尔可夫假设和观测独立性假设，判断结果主要依赖于当前时间点的数据，进一步降低了判断结果的准确度。
技术实现思路
本公开的目的是提供一种车辆变道的确定方法、装置、存储介质和电子设备，用于解决现有技术中存在的判断车辆变道准确度低的问题。为了实现上述目的，根据本公开实施例的第一方面，提供一种车辆变道的确定方法，应用于第一车辆，所述方法包括：获取轨迹数据集和相对运动数据集，所述轨迹数据集包括在预设时长内多个采集时刻采集的第二车辆的轨迹数据，所述相对运动数据集包括在所述预设时长内所述多个采集时刻采集的所述第二车辆与所述第一车辆之间的相对运动数据，所述多个采集时刻包括当前采集时刻，所述第二车辆为行驶在所述第一车辆所在车道的相邻车道上，且位于所述第一车辆前方的车辆；将所述轨迹数据集分别输入预先训练的轨迹识别模型和预先训练的轨迹聚类模型，以根据所述轨迹识别模型输出的轨迹识别结果，和所述轨迹聚类模型输出的轨迹聚类结果，确定轨迹变道概率；将所述相对运动数据集分别输入预先训练的相对运动识别模型和预先训练的相对运动聚类模型，以根据所述相对运动识别模型输出的相对运动识别结果，和所述相对运动聚类模型输出的相对运动聚类结果，确定相对运动变道概率；根据所述轨迹变道概率和所述相对运动变道概率，确定所述第二车辆的变道概率；根据所述变道概率和预设的变道阈值，确定所述第二车辆是否将要变道。可选地，所述获取轨迹数据集和相对运动数据集，包括：获取所述预设时长内每个所述采集时刻采集的所述轨迹数据和所述相对运动数据，所述轨迹数据包括：所述第二车辆的横向位置和纵向位置，所述相对运动数据包括：所述第一车辆与所述第二车辆的相对纵向速度和相对纵向距离；根据每个所述采集时刻采集的所述轨迹数据，确定该采集时刻对应的补充轨迹数据，所述补充轨迹数据包括：所述第二车辆的横向速度和横向加速度；将每个所述采集时刻采集的所述轨迹数据和对应的所述补充轨迹数据，作为所述轨迹数据集；按照预设规则处理每个所述采集时刻采集的所述相对运动数据，以得到所述相对运动数据集。可选地，所述将所述轨迹数据集分别输入预先训练的轨迹识别模型和预先训练的轨迹聚类模型，以根据所述轨迹识别模型输出的轨迹识别结果，和所述轨迹聚类模型输出的轨迹聚类结果，确定轨迹变道概率，包括：将所述轨迹数据集输入所述轨迹识别模型，以获取所述轨迹识别结果，并将所述轨迹数据集输入所述轨迹聚类模型，以获取轨迹聚类结果，所述轨迹识别结果用于指示直行或变道，所述轨迹聚类结果用于指示每个所述采集时刻采集的所述轨迹数据所属的类别；若所述轨迹识别结果指示直行，确定所述轨迹变道概率为零；若所述轨迹识别结果指示变道，根据所述轨迹聚类结果确定所述轨迹变道概率。可选地，所述轨迹识别模型为Attention-LSTM模型，所述将所述轨迹数据集输入所述轨迹识别模型，以获取所述轨迹识别结果，包括：将所述轨迹数据集输入所述Attention-LSTM模型，以获取所述Attention-LSTM模型输出的所述轨迹识别结果，和每个所述采集时刻的注意力值；所述根据所述轨迹聚类结果确定所述轨迹变道概率，包括：根据所述轨迹聚类结果中包括的每个所述采集时刻采集的所述轨迹数据所属的类别，和预设的类别和初始轨迹变道概率的对应关系，确定该采集时刻的初始轨迹变道概率；根据每个所述采集时刻的所述初始轨迹变道概率，和每个所述采集时刻的所述注意力值，确定所述轨迹变道概率。可选地，所述将所述相对运动数据集分别输入预先训练的相对运动识别模型和预先训练的相对运动聚类模型，以根据所述相对运动识别模型输出的相对运动识别结果，和所述相对运动聚类模型输出的相对运动聚类结果，确定相对运动变道概率，包括：将所述相对运动数据集输入所述相对运动识别模型，以获取所述相对运动识别结果，并将所述相对运动数据集输入所述相对运动聚类模型，以获取相对运动聚类结果，所述相对运动识别结果用于指示直行或变道，所述相对运动聚类结果用于指示每个所述采集时刻采集的所述相对运动数据所属的类别；若所述相对运动识别结果指示直行，确定所述相对运动变道概率为零；若所述相对运动识别结果指示变道，根据所述相对运动聚类结果确定所述相对运动变道概率。可选地，所述相对运动识别模型为Attention-GRU模型，所述将所述相对运动数据集输入所述相对运动识别模型，以获取所述相对运动识别结果，包括：将所述相对运动数据集输入所述Attention-GRU模型，以获取所述Attention-GRU模型输出的所述相对运动识别结果，和每个所述采集时刻的注意力值；所述根据所述相对运动聚类结果确定所述相对运动变道概率，包括：根据所述相对运动聚类结果中包括的每个所述采集时刻采集的所述相对运动数据所属的类别，和预设的类别和初始相对运动变道概率的对应关系，确定该采集时刻的初始相对运动变道概率；根据每个所述采集时刻的所述初始相对运动变道概率，和每个所述采集时刻的所述注意力值，确定所述相对运动变道概率。可选地，所述获取轨迹数据集和相对运动数据集，包括：获取指定时长内，每个所述采集时刻采集的所述轨迹数据和所述相对运动数据；将所述指定时长划分为指定数量个滑动窗口，每个滑动窗口的长度为所述预设时长；将每个滑动窗口内采集的所述轨迹数据和所述相对运动数据，作为该滑动窗口对应的所述轨迹数据集和所述相对运动数据集；所述根据所述变道概率和预设的变道阈值，确定所述第二车辆是否将要变道，包括：将根据每个滑动窗口对应的所述轨迹数据集和所述相对运动数据集确定的所述变道概率进行加权求和，以确定总变道概率，每个滑动窗口对应的权值与该滑动窗口与当前时刻的距离成反比；若所述总变道概率大于或等于所述变道阈值，确定所述第二车辆将要变道；若所述总变道概率小于所述变道阈值，确定所述第二车辆将保持直行。本文档来自技高网...

【技术保护点】
1.一种车辆变道的确定方法，其特征在于，应用于第一车辆，所述方法包括：/n获取轨迹数据集和相对运动数据集，所述轨迹数据集包括在预设时长内多个采集时刻采集的第二车辆的轨迹数据，所述相对运动数据集包括在所述预设时长内所述多个采集时刻采集的所述第二车辆与所述第一车辆之间的相对运动数据，所述多个采集时刻包括当前采集时刻，所述第二车辆为行驶在所述第一车辆所在车道的相邻车道上，且位于所述第一车辆前方的车辆；/n将所述轨迹数据集分别输入预先训练的轨迹识别模型和预先训练的轨迹聚类模型，以根据所述轨迹识别模型输出的轨迹识别结果，和所述轨迹聚类模型输出的轨迹聚类结果，确定轨迹变道概率；/n将所述相对运动数据集分别输入预先训练的相对运动识别模型和预先训练的相对运动聚类模型，以根据所述相对运动识别模型输出的相对运动识别结果，和所述相对运动聚类模型输出的相对运动聚类结果，确定相对运动变道概率；/n根据所述轨迹变道概率和所述相对运动变道概率，确定所述第二车辆的变道概率；/n根据所述变道概率和预设的变道阈值，确定所述第二车辆是否将要变道。/n

【技术特征摘要】
1.一种车辆变道的确定方法，其特征在于，应用于第一车辆，所述方法包括：
获取轨迹数据集和相对运动数据集，所述轨迹数据集包括在预设时长内多个采集时刻采集的第二车辆的轨迹数据，所述相对运动数据集包括在所述预设时长内所述多个采集时刻采集的所述第二车辆与所述第一车辆之间的相对运动数据，所述多个采集时刻包括当前采集时刻，所述第二车辆为行驶在所述第一车辆所在车道的相邻车道上，且位于所述第一车辆前方的车辆；
将所述轨迹数据集分别输入预先训练的轨迹识别模型和预先训练的轨迹聚类模型，以根据所述轨迹识别模型输出的轨迹识别结果，和所述轨迹聚类模型输出的轨迹聚类结果，确定轨迹变道概率；
将所述相对运动数据集分别输入预先训练的相对运动识别模型和预先训练的相对运动聚类模型，以根据所述相对运动识别模型输出的相对运动识别结果，和所述相对运动聚类模型输出的相对运动聚类结果，确定相对运动变道概率；
根据所述轨迹变道概率和所述相对运动变道概率，确定所述第二车辆的变道概率；
根据所述变道概率和预设的变道阈值，确定所述第二车辆是否将要变道。


2.根据权利要求1所述的方法，其特征在于，所述获取轨迹数据集和相对运动数据集，包括：
获取所述预设时长内每个所述采集时刻采集的所述轨迹数据和所述相对运动数据，所述轨迹数据包括：所述第二车辆的横向位置和纵向位置，所述相对运动数据包括：所述第一车辆与所述第二车辆的相对纵向速度和相对纵向距离；
根据每个所述采集时刻采集的所述轨迹数据，确定该采集时刻对应的补充轨迹数据，所述补充轨迹数据包括：所述第二车辆的横向速度和横向加速度；
将每个所述采集时刻采集的所述轨迹数据和对应的所述补充轨迹数据，作为所述轨迹数据集；
按照预设规则处理每个所述采集时刻采集的所述相对运动数据，以得到所述相对运动数据集。


3.根据权利要求1所述的方法，其特征在于，所述将所述轨迹数据集分别输入预先训练的轨迹识别模型和预先训练的轨迹聚类模型，以根据所述轨迹识别模型输出的轨迹识别结果，和所述轨迹聚类模型输出的轨迹聚类结果，确定轨迹变道概率，包括：
将所述轨迹数据集输入所述轨迹识别模型，以获取所述轨迹识别结果，并将所述轨迹数据集输入所述轨迹聚类模型，以获取轨迹聚类结果，所述轨迹识别结果用于指示直行或变道，所述轨迹聚类结果用于指示每个所述采集时刻采集的所述轨迹数据所属的类别；
若所述轨迹识别结果指示直行，确定所述轨迹变道概率为零；
若所述轨迹识别结果指示变道，根据所述轨迹聚类结果确定所述轨迹变道概率。


4.根据权利要求3所述的方法，其特征在于，所述轨迹识别模型为Attention-LSTM模型，所述将所述轨迹数据集输入所述轨迹识别模型，以获取所述轨迹识别结果，包括：
将所述轨迹数据集输入所述Attention-LSTM模型，以获取所述Attention-LSTM模型输出的所述轨迹识别结果，和每个所述采集时刻的注意力值；
所述根据所述轨迹聚类结果确定所述轨迹变道概率，包括：
根据所述轨迹聚类结果中包括的每个所述采集时刻采集的所述轨迹数据所属的类别，和预设的类别和初始轨迹变道概率的对应关系，确定该采集时刻的初始轨迹变道概率；
根据每个所述采集时刻的所述初始轨迹变道概率，和每个所述采集时刻的所述注意力值，确定所述轨迹变道概率。


5.根据权利要求1所述的方法，其特征在于，所述将所述相对运动数据集分别输入预先训练的相对运动识别模型和预先训练的相对运动聚类模型，以根据所述相对运动识别模型输出的相对运动识别结果，和所述相对运动聚类模型输出的相对运动聚类结果，确定相对运动变道概率，包括：
将所述相对运动数据集输入所述相对运动识别模型，以获取所述相对运动识别结果，并将所述相对运动...

【专利技术属性】
技术研发人员：牟童，孟健，何光宇，程万军，
申请(专利权)人：东软集团股份有限公司，
类型：发明
国别省市：辽宁;21